TW202343474A - 傷口分級評估模型的建立方法、傷口照護評估系統及傷口等級評估方法 - Google Patents

傷口分級評估模型的建立方法、傷口照護評估系統及傷口等級評估方法 Download PDF

Info

Publication number
TW202343474A
TW202343474A TW111116118A TW111116118A TW202343474A TW 202343474 A TW202343474 A TW 202343474A TW 111116118 A TW111116118 A TW 111116118A TW 111116118 A TW111116118 A TW 111116118A TW 202343474 A TW202343474 A TW 202343474A
Authority
TW
Taiwan
Prior art keywords
wound
image data
target
assessment
image
Prior art date
Application number
TW111116118A
Other languages
English (en)
Other versions
TWI783902B (zh
Inventor
陳俊嘉
Original Assignee
中山醫學大學
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 中山醫學大學 filed Critical 中山醫學大學
Priority to TW111116118A priority Critical patent/TWI783902B/zh
Application granted granted Critical
Priority to US18/054,545 priority patent/US20230351596A1/en
Publication of TWI783902B publication Critical patent/TWI783902B/zh
Publication of TW202343474A publication Critical patent/TW202343474A/zh

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G06T7/0014—Biomedical image inspection using an image reference approach
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30088—Skin; Dermal

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Quality & Reliability (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Spinning Or Twisting Of Yarns (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本發明提供一種傷口照護評估系統，包含影像擷取裝置以及處理器。影像擷取裝置用以擷取受試者之目標傷口影像資料。處理器電訊連接影像擷取裝置，且處理器包含影像標註模組、資料前處理模組及傷口分級評估模型。影像標註模組用以接收並分析目標傷口影像資料。資料前處理模組訊號連接影像標註模組。傷口分級評估模型訊號連接資料前處理模組。傷口照護評估系統係根據受試者之目標傷口影像資料而評估傷口的壓力性損傷等級及傷口床照護指標。藉此，可準確並即時地提供一線醫療人員正確的傷口分級訊息。

Description

傷口分級評估模型的建立方法、傷口照護評估系統及傷口等級評估方法
本發明是有關於一種醫療資訊分析方法及系統，特別是關於一種傷口分級評估模型的建立方法、傷口照護評估系統及傷口等級評估方法。
在臨床上，傷口治療的範圍涵蓋急性外傷的處理、慢性傷口的照護、糖尿病足的照護以及癌症傷口的治療。若傷口未進行完善的照護與治療，易引發多種嚴重的併發症，更甚者可能有死亡的風險。
以國人第五大死因的糖尿病為例，糖尿病患者常有血管病變的症狀，導致傷口不易癒合並有反覆感染的問題，嚴重者甚至有截肢的風險。而根據統計，約10~20%的糖尿病患者會發生傷口潰瘍，其截肢的危險性更是非糖尿病患的15至25倍，且近5成的患者可能在截肢後5年內死亡。然而，臨床上在處理與治療具有高複雜度的傷口時，需仰賴整形外科醫師先對傷口進行評估與診斷，以對傷口進行分級並提出適合的治療方針，如此不僅需花費較多的時間進行診斷，亦可能因為不同整形外科醫師的主觀看法而造成診斷結果誤差，並有延誤治療的可能。
因此，如何提供一種可有效對傷口進行分級，以對傷口提供完整的照護，實為一具有臨床應用價值之技術課題。
本發明一實施方式在於提供一種傷口分級評估模型的建立方法，其係用以建立一傷口分級評估模型，且傷口分級評估模型的建立方法包含以下步驟。取得一傷口影像資料庫，其中傷口影像資料庫包含複數個參照傷口影像資料，且各參照傷口影像資料包含一傷口醫療訊息。進行一參照影像標註步驟，其係基於語義分割(Semantic Segmentation)方法對各參照傷口影像資料進行傷口範圍標註，以得複數個標註後參照傷口影像資料。進行一參照影像前處理步驟，其係以一卷積神經網路分類器分別訓練所述之標註後參照傷口影像資料，以得複數個參照傷口輪廓特徵值與複數個參照傷口色彩特徵值，再以所述之卷積神經網路分類器訓練參照傷口輪廓特徵值與參照傷口色彩特徵值，以得複數個處理後參照傷口影像資料。進行一模型訓練步驟，其係以一深度學習演算分類器訓練所述之處理後參照傷口影像資料至收斂，以得傷口分級評估模型，其中傷口分級評估模型係用以評估一傷口的壓力性損傷等級以及傷口床照護指標。
依據前述實施方式之傷口分級評估模型的建立方法，其中卷積神經網路分類器可為U-net卷積神經網路分類器。
依據前述實施方式之傷口分級評估模型的建立方法，其中各處理後參照傷口影像資料可為一傷口遮罩影像(masking image)資料。
依據前述實施方式之傷口分級評估模型的建立方法，其中深度學習演算分類器可為VGG深度學習演算分類器、MobileNet深度學習演算分類器或Resnet深度學習演算分類器。
本發明另一實施方式在於提供一種傷口照護評估系統，包含一影像擷取裝置以及一處理器。影像擷取裝置用以擷取一受試者之一目標傷口影像資料。處理器電訊連接影像擷取裝置，且處理器包含一影像標註模組、一資料前處理模組及一如前段所述之傷口分級評估模型的建立方法所建立而得之傷口分級評估模型。影像標註模組用以接收並分析影像擷取裝置所輸出之目標傷口影像資料。資料前處理模組訊號連接影像標註模組。傷口分級評估模型訊號連接資料前處理模組。其中，傷口照護評估系統係用以評估所述之目標傷口影像資料對應之一傷口的一壓力性損傷等級及一傷口床照護指標。
本發明又一實施方式在於提供一種傷口等級評估方法，包含下述步驟。提供一如前段所述之傷口照護評估系統。取得受試者之目標傷口影像資料，其係以影像擷取裝置拍攝受試者之傷口，以得所述之目標傷口影像資料，並將目標傷口影像資料傳輸至處理器。進行一目標影像標註步驟，其係以影像標註模組基於語義分割方法對目標傷口影像資料進行傷口範圍標註，以得一標註後目標傷口影像資料。進行一目標影像前處理步驟，其係以資料前處理模組訓練標註後目標傷口影像資料，以得一目標傷口輪廓特徵值與一目標傷口色彩特徵值，再以資料前處理模組訓練目標傷口輪廓特徵值與目標傷口色彩特徵值，以得一處理後目標傷口影像資料。進行一第一分類步驟，其係利用傷口分級評估模型分析處理後目標傷口影像資料，以輸出一壓力性損傷等級評估結果及一傷口床照護指標評估結果。
依據前述實施方式之傷口等級評估方法，其中資料前處理模組可包含一U-net卷積神經網路分類器，且目標影像前處理步驟係以U-net卷積神經網路分類器訓練標註後目標傷口影像資料，以得處理後目標傷口影像資料。
依據前述實施方式之傷口等級評估方法，其中處理後目標傷口影像資料可為一傷口遮罩影像資料。
依據前述實施方式之傷口等級評估方法，其中壓力性損傷等級評估結果可包含第一期壓瘡、第二期至第四期壓瘡、無法分期的壓瘡與深層組織的壓瘡。
依據前述實施方式之傷口等級評估方法，其中當受試者之目標傷口影像資料被分類為第二期至第四期壓瘡時，傷口等級評估方法可更包含：進行一第二分類步驟，其係以傷口分級評估模型對所述之處理後目標傷口影像資料進行二次評估，以輸出一壓力性損傷等級二次評估結果，其中壓力性損傷等級二次評估結果包含第二期壓瘡、第三期壓瘡及第四期壓瘡。
藉此，透過對參照傷口影像資料基於語義分割方法進行標註，再以卷積神經網路分類器對所得之標註後參照傷口影像資料進行反卷積處理，而後再將所得之處理後參照傷口影像以深度學習演算分類器訓練至收斂而得傷口分級評估模型的方式，使本發明之傷口分級評估模型的建立方法所建立而得之傷口分級評估模型可依據傷口的影像資料而有效地評估傷口的壓力性損傷等級及傷口床照護指標。再者，應用本發明之傷口分級評估模型的傷口照護評估系統及傷口等級評估方法則可根據受試者之目標傷口影像資料而評估目標傷口影像資料對應之傷口的壓力性損傷等級以及傷口床照護指標，以快速且即時地提供一線醫療人員正確的傷口分級訊息，進而達成提早診斷與治療的目標，並可降低各種併發症發生的風險，而具有優異的臨床應用潛力。
下述將更詳細討論本發明各實施方式。然而，此實施方式可為各種發明概念的應用，可被具體實行在各種不同的特定範圍內。特定的實施方式是僅以說明為目的，且不受限於揭露的範圍。
[本發明之傷口分級評估模型的建立方法]
請參照第1圖，其係繪示本發明一實施方式之傷口分級評估模型的建立方法100的步驟流程圖。傷口分級評估模型的建立方法100係用以建立一傷口分級評估模型，且傷口分級評估模型的建立方法100包含步驟110、步驟120、步驟130以及步驟140。
步驟110為取得一傷口影像資料庫，其中傷口影像資料庫包含複數個參照傷口影像資料，且各參照傷口影像資料包含一傷口醫療訊息。詳細而言，參照傷口影像資料可為慢性疾病患者或長期臥床者體表的慢性傷口或褥瘡的影像，而傷口醫療訊息則可包含由整形外科醫師或其他專業人士所評估之傷口分布訊息、傷口尺寸訊息或傷口分級訊息。
步驟120為進行一參照影像標註步驟，其係基於語義分割(Semantic Segmentation)方法對各參照傷口影像資料進行傷口範圍標註，以得複數個標註後參照傷口影像資料。詳細而言，語義分割方法是指將圖像中的所有像素點進行分類，以識別圖像中存在的內容及其位置，而本發明之傷口分級評估模型的建立方法100透過語義分割方法標註參照傷口影像資料的方式，可在訓練前先區分參照傷口影像資料的傷口部位，並與背景等不相關的影像進行區隔，以增加後續分析的準確度。
步驟130為進行一參照影像前處理步驟，其係以一卷積神經網路分類器分別訓練標註後參照傷口影像資料，以得複數個參照傷口輪廓特徵值與複數個參照傷口色彩特徵值，再以所述之卷積神經網路分類器訓練參照傷口輪廓特徵值與參照傷口色彩特徵值，以得複數個處理後參照傷口影像資料。詳細而言，卷積神經網路分類器可為U-net卷積神經網路分類器或其他具有自編碼(Autoencoder)功能的分類器，以利用其前半段之編碼模組(Encoder)提取標註後參照傷口影像資料的參照傷口輪廓特徵值與參照傷口色彩特徵值，而後再以其後半段之解碼模組(Decoder)以反卷積方式將萃取而得的參照傷口輪廓特徵值與參照傷口色彩特徵值由高維度資料重構為處理後參照傷口影像資料。再者，各處理後參照傷口影像資料可為一傷口遮罩影像(masking image)資料，以供後續模型訓練之用。
步驟140為進行一模型訓練步驟，其係以一深度學習演算分類器訓練處理後參照傷口影像資料至收斂，以得傷口分級評估模型。詳細而言，深度學習演算分類器可為VGG深度學習演算分類器、MobileNet深度學習演算分類器或Resnet深度學習演算分類器，而傷口分級評估模型係用以評估一傷口的一壓力性損傷等級及一傷口床照護指標。
具體而言，本發明所述之壓力性損傷又稱褥瘡或壓瘡，其肇因於持續施加於皮膚及其下方軟組織的壓力，並導致皮膚及其下方軟組織發生局部破損，而在現行之臨床診斷上，壓力性損傷等級可依據損傷的程度分為六種態樣，所述六種態樣的細節請參表一的內容。
表一
第一期壓瘡 完整的皮膚上出現受壓後不會褪色的紅斑。
第二期壓瘡 部分皮膚缺損，並有真皮層露出，但不會看到脂肪或更深層的組織。
第三期壓瘡 全層皮膚缺損並可看到脂肪組織。
第四期壓瘡 全層皮膚及組織缺損，並會露出筋膜、肌肉、肌腱、韌帶、軟骨或骨頭。
無法分期的壓瘡 全層皮膚及組織缺損，但整個傷口被壞死組織或焦痂所覆蓋導致其破損的程度無法被介定。
深層組織的壓瘡 完整或破損皮膚出現局部持續不會褪色的深紅或紫色斑塊或表皮分離後呈現出暗黑色的創面或充滿血的水皰。
再者，本發明所述之傷口床照護指標是指於2003年由Schultz等歐洲傷口照護專家所提出之傷口床照護概念T.I.M.E.的進階分級指標「T.I.M.E.R.S.傷口床照護指標」，其中「T.」(tissue)為組織壞死評估結果、「I.」(Infection/Inflammation)為傷口感染/發炎評估結果、「M.」(Moisture)為傷口濕潤度評估結果、「E.」(Wound edge)為傷口邊緣評估結果、「R.」(Repair/Regeneration)為傷口修復/再生評估結果，而「S.」(Social)則為受試者之社會化因素對傷口影響之評估結果，而當傷口在上述六項指標皆獲得良好控制時，傷口將有很大的機率能夠癒合。
藉此，本發明之傷口分級評估模型的建立方法透過對參照傷口影像資料基於語義分割方法進行標註後，再以卷積神經網路分類器對所得之標註後參照傷口影像資料進行反卷積處理，而後再將所得之處理後參照傷口影像以深度學習演算分類器訓練至收斂而得傷口分級評估模型的方式，使本發明之傷口分級評估模型可依據傷口的影像資料而有效地評估傷口的壓力性損傷等級及傷口床照護指標，以快速且即時地提供一線醫療人員正確的傷口分級訊息而達成提早診斷與治療的目的，並可降低各種併發症發生的風險，而具有優異的臨床應用潛力。
[本發明之傷口照護評估系統]
請參照第2圖，其係繪示本發明另一實施方式之傷口照護評估系統200的架構圖。傷口照護評估系統200包含一影像擷取裝置210以及一處理器220。
影像擷取裝置210用以擷取一受試者之一目標傷口影像資料。詳細而言，影像擷取裝置210可為任何可用於擷取目標傷口影像資料的攝影裝置，而目標傷口影像資料則為欲進行評估之慢性傷口或褥瘡的影像。
處理器220電訊連接影像擷取裝置210。處理器220可與影像擷取裝置210以無線方式或有線方式進行訊號連接，但本發明並不以此為限，且處理器220包含一影像標註模組230、一資料前處理模組240及一傷口分級評估模型250。
影像標註模組230用以接收並分析影像擷取裝置210所輸出之目標傷口影像資料。
資料前處理模組240訊號連接影像標註模組230。
傷口分級評估模型250訊號連接資料前處理模組240。具體而言，傷口分級評估模型250係由本發明之傷口分級評估模型的建立方法所建立而得，且傷口照護評估系統200係用以評估目標傷口影像資料對應之一傷口的一壓力性損傷等級以及一傷口床照護指標。
[本發明之傷口等級評估方法]
請同時參照第2圖與第3圖，第3圖係繪示本發明又一實施方式之傷口等級評估方法300的步驟流程圖。傷口等級評估方法300包含步驟310、步驟320、步驟330、步驟340以及步驟350，而以下將配合第2圖的傷口照護評估系統200來說明本發明之傷口等級評估方法300的步驟與細節。
步驟310為提供一傷口照護評估系統200。
步驟320為取得受試者之目標傷口影像資料，其係以影像擷取裝置210拍攝受試者之傷口，以得目標傷口影像資料，並將目標傷口影像資料傳輸至處理器220，以供後續的分析。
步驟330為進行一目標影像標註步驟，其係以影像標註模組230基於語義分割方法對目標傷口影像資料進行傷口範圍標註，以得一標註後目標傷口影像資料，以增加後續分析的準確度。
步驟340為進行一目標影像前處理步驟，其係以資料前處理模組240訓練標註後目標傷口影像資料，以得一目標傷口輪廓特徵值與一目標傷口色彩特徵值，再以資料前處理模組240訓練目標傷口輪廓特徵值與目標傷口色彩特徵值，以得一處理後目標傷口影像資料。具體而言，資料前處理模組240包含一U-net卷積神經網路分類器，且目標影像前處理步驟係以U-net卷積神經網路分類器訓練標註後目標傷口影像資料，以得所述之處理後目標傷口影像資料，且處理後目標傷口影像資料可為一傷口遮罩影像資料。
步驟350為進行一第一分類步驟，其係利用傷口分級評估模型250分析處理後目標傷口影像資料，以輸出一壓力性損傷等級評估結果及一傷口床照護指標評估結果，其中壓力性損傷等級評估結果包含第一期壓瘡、第二期至第四期壓瘡、無法分期的壓瘡與深層組織的壓瘡，而傷口床照護指標評估結果則包含「T.」、「I.」、「M.」、「E.」、「R.」與「S.」六項傷口床照護指標。
藉此，本發明之傷口照護評估系統200與傷口等級評估方法300透過分析受試者的目標傷口影像資料，可有效地根據目標傷口影像資料所攜帶的資訊而評估受試者之傷口的壓力性損傷等級與傷口床照護指標，進而利於提早規畫後續的醫療處置，以降低傷口未即時處理或處理不當而造成併發症的機率。
再請同時參照第2圖與第4圖，第4圖係繪示本發明又一實施方式之另一傷口等級評估方法400的步驟流程圖。傷口等級評估方法400包含步驟410、步驟420、步驟430、步驟440、步驟450以及步驟460，其中步驟410、步驟420、步驟430、步驟440、步驟450與第3圖的步驟310、步驟320、步驟330、步驟340、步驟350相同，是以相同的細節請參前段所述，在此將不再贅述。
步驟460為進行一第二分類步驟，其係以傷口分級評估模型250對處理後目標傷口影像資料進行二次評估，以輸出一壓力性損傷等級二次評估結果。具體而言，臨床上之第二期壓瘡、第三期壓瘡與第四期壓瘡的外觀甚為相似且不易分辨，是以當受試者之目標傷口影像資料被分類為第二期至第四期壓瘡時，傷口等級評估方法400將進一步以傷口分級評估模型250分析所述之處理後目標傷口影像資料，以區分所述之目標傷口影像資料為第二期壓瘡、第三期壓瘡或第四期壓瘡，以更準確地評估傷口的壓力性損傷等級，進而利於提早規畫後續的醫療處置，防止因病況惡化而影響受試者的健康。
以下將提出本發明之具體實施例以詳細說明本發明之傷口分級評估模型的建立方法所建立而得之傷口分級評估模型、傷口照護評估系統與傷口等級評估方法用於評估壓力性損傷等級及傷口床照護指標的效能。
＜實施例1＞
實施例1是以傷口影像資料庫1進行實驗，其中傷口影像資料庫1包含617組回溯性傷口影像資料，每組樣本包含一張傷口影像及其對應之臨床專家所評估的傷口尺寸訊息、傷口分布訊息、壓力性損傷等級與T.I.M.E.R.S.標註結果。在去除傷口範圍過小、傷口影像模糊之傷口影像資料後，共計575組有效之傷口影像資料，而實施例1之575組傷口影像資料的壓力性損傷等級請參表二，其T.I.M.E.R.S.標註情形請參表三。
表二
  第一期 第二期 第三期 第四期 無法分期 深層組織
數量 17 73 221 58 106 100
表三
  T. I. M. E. R. S.
否 273 541 491 331 305 186
是 302 34 84 244 270 389
在實驗方面，傷口影像資料庫1的575組傷口影像資料將被分為5份，其中4份(460組)作為訓練集，另1份做為驗證集(115組)，而後以本發明之傷口分級評估模型的建立方法依據傷口影像資料庫1的傷口影像資料建立傷口分級評估模型。詳細來說，實施例1是以U-net卷積神經網路分類器進行參照影像前處理步驟，並以VGG 11_bn深度學習演算分類器建立傷口分級評估模型，而後再以包含所建立而得之傷口分級評估模型的傷口照護評估系統及傷口等級評估方法進行測試。
請參照第5圖，其係繪示不同受試者的目標傷口影像資料以實施例1之傷口照護評估系統及傷口等級評估方法進行傷口標註的表現結果圖。如第5圖所示，由575組傷口影像資料中取5位受試者為例，受試者1至受試者5的處理後目標傷口影像資料與醫師評估之基準真相(Ground truth)影像極為相似，且基準真相影像與處理後目標傷口影像資料皆真實反應目標傷口影像中傷口的分布與輪廓。再者，在以骰子係數(Dice coefficient)分析方法進行分析後，由實施例1之傷口分級評估模型輸出的處理後參照傷口影像資料與臨床專家的標註結果在訓練集的一致性達90%，在驗證集的一致性亦可達80%。
請參照表四，其係呈現實施例1之傷口照護評估系統及傷口等級評估方法用以評估壓力性損傷等級的骰子係數分析結果。如表四所示，實施例1用以評估壓力性損傷等級的一致性至少可達0.57±0.21(約57%)以上，最高更可達0.90±0.11(約90%)。
表四
  第一期 第二期 第三期 第四期 無法分期 深層組織
骰子係數 0.57±0.21 0.62±0.30 0.75±0.24 0.90±0.11 0.67±0.22 0.77±0.29
再者，實施例1之傷口照護評估系統及傷口等級評估方法用以評估傷口床照護指標中的指標「T.」的表現亦佳，其正確率為83.78%，靈敏度為83.88%，特異度為84.21%，而AUROC則達82.16%。
＜實施例2＞
實施例2是以傷口影像資料庫2進行實驗，其中傷口影像資料庫2包含1269組回溯性傷口影像資料，每組樣本包含一張傷口影像及其對應之臨床專家所評估的傷口尺寸訊息、傷口分布訊息、壓力性損傷等級與T.I.M.E.R.S.標註結果，而實施例2之1269組傷口影像資料的壓力性損傷等級請參表五，其T.I.M.E.R.S.標註情形請參表六。
表五
  第一期 第二期 第三期 第四期 無法分期 深層組織
數量 125 152 433 141 216 202
表六
  T. I. M. E. R. S.
否 583 1121 1053 719 736 607
是 686 148 216 550 533 662
在實驗方面，傷口影像資料庫的1269組傷口影像資料將分為5份，其中4份(1013組)作為訓練集，另1份(256組)做為驗證集，而後以本發明之傷口分級評估模型的建立方法建立傷口分級評估模型。詳細來說，實施例2是以U-net卷積神經網路分類器進行參照影像前處理步驟，並以MobileNet深度學習演算分類器建立傷口分級評估模型，而後再以包含所建立而得之傷口分級評估模型的傷口照護評估系統及傷口等級評估方法進行測試。
請參照表七，其係呈現實施例2之傷口照護評估系統及傷口等級評估方法用以進行傷口輪廓標註的表現結果。如表七所示，實施例2用以評估傷口輪廓標註的表現與臨床專家的標註結果的一致性在不同之壓力性損傷等級方面均可達0.74(74%)以上，而驗證集整體的評估效能更達0.806(80.6%)。
表七
  第一期 第二期 第三期 第四期 無法分期 深層組織
Dice 0.792 0.746 0.767 0.936 0.888 0.762
Std. 0.235 0.172 0.256 0.045 0.133 0.206
請參照表八，其係呈現實施例2之傷口照護評估系統及傷口等級評估方法用以評估傷口床照護指標中的指標「T.」、「I.」、「M.」、「E.」的結果。如表八所示，實施例2之傷口照護評估系統及傷口等級評估方法用以評估傷口床照護指標中的指標「T.」的正確率、精確度、召回度與F1-score的表現均佳，並可達0.84以上，而其用以評估指標「M.」、「E.」的正確率及精確度亦有優異表現。
表八
  正確率 精確度 召回度 F1-score
T. 0.8498 0.86 0.86 0.86
I. 0.47 0.11 0.48 0.17
M. 0.8893 0.83 0.44 0.58
E. 0.7905 0.83 0.65 0.73
再請參照表九與表十，表九其係呈現實施例2之傷口照護評估系統及傷口等級評估方法用以評估壓力性損傷等級的結果，而表十係呈現實施例2之傷口照護評估系統及傷口等級評估方法用以二次評估壓力性損傷等級的結果。
表九
壓力性損傷等級 精確度 召回度 F1-score
第一期 0.81 0.84 0.82
第二期至第四期 0.87 0.92 0.89
無法分期 0.70 0.63 0.67
深層組織 0.92 0.77 0.84
準確度 - - 0.84
平均權重 0.84 0.84 0.84
表十
壓力性損傷等級 精確度 召回度 F1-score
第二期 0.71 0.5 0.59
第三期 0.75 0.91 0.82
第四期 0.90 0.62 0.73
準確度 - - 0.77
平均權重 0.77 0.77 0.76
如表九所示，實施例2之傷口照護評估系統及傷口等級評估方法在對傷口影像資料庫2的傷口影像資料進行分析與處理後將輸出一壓力性損傷等級評估結果，其中壓力性損傷等級評估結果包含第一期壓瘡、第二期至第四期壓瘡、無法分期的壓瘡與深層組織的壓瘡，且實施例2之傷口照護評估系統及傷口等級評估方法對於不同分期之壓力性損傷等級的評估精確度、召回度與F1-score的表現均佳，並皆可達0.6以上。
再者，由於臨床上之第二期壓瘡、第三期壓瘡與第四期壓瘡的外觀甚為相似且不易分辨，是以本試驗進一步以實施例2之傷口照護評估系統及傷口等級評估方法對被分類為第二期至第四期壓瘡的傷口影像資料進行二次評估，而如表十所示，在以實施例2之傷口照護評估系統及傷口等級評估方法進行二次評估後，可有效且精確地進一步區分所述之傷口影像資料為第二期壓瘡、第三期壓瘡或第四期壓瘡，且其精確度皆可達0.7以上。
總上所述，本發明之傷口分級評估模型的建立方法、所建立而得之傷口分級評估模型、包含傷口分級評估模型的傷口照護評估系統及傷口等級評估方法可根據受試者之目標傷口影像資料而準確地評估所對應之傷口的壓力性損傷等級以及傷口床照護指標，並可快速且即時地提供一線醫療人員正確的傷口分級訊息，以達成提早診斷與治療的目的，並可降低各種併發症發生的風險。
雖然本發明已以實施方式揭露如上，然其並非用以限定本發明，任何熟習此技藝者，在不脫離本發明之精神和範圍內，當可作各種之更動與潤飾，因此本發明之保護範圍當視後附之申請專利範圍所界定者為準。
100:傷口分級評估模型的建立方法 110,120,130,140,310,320,330,340,350,410,420,430,440,450,460:步驟 200:傷口照護評估系統 210:影像擷取裝置 220:處理器 230:影像標註模組 240:資料前處理模組 250:傷口分級評估模型 300,400:傷口等級評估方法
為讓本發明之上述和其他目的、特徵、優點與實施例能更明顯易懂，所附圖式之說明如下： 第1圖係繪示本發明一實施方式之傷口分級評估模型的建立方法的步驟流程圖； 第2圖係繪示本發明另一實施方式之傷口照護評估系統的架構圖； 第3圖係繪示本發明又一實施方式之傷口等級評估方法的步驟流程圖； 第4圖係繪示本發明又一實施方式之另一傷口等級評估方法的步驟流程圖；以及 第5圖係繪示不同受試者的目標傷口影像資料以實施例1之傷口照護評估系統及傷口等級評估方法進行傷口標註的表現結果圖。
200:傷口照護評估系統
210:影像擷取裝置
220:處理器
230:影像標註模組
240:資料前處理模組
250:傷口分級評估模型

Claims (10)

  1. 一種傷口分級評估模型的建立方法，其係用以建立一傷口分級評估模型，該傷口分級評估模型的建立方法包含以下步驟： 取得一傷口影像資料庫，其中該傷口影像資料庫包含複數個參照傷口影像資料，且各該參照傷口影像資料包含一傷口醫療訊息； 進行一參照影像標註步驟，其係基於語義分割(Semantic Segmentation)方法對各該參照傷口影像資料進行傷口範圍標註，以得複數個標註後參照傷口影像資料； 進行一參照影像前處理步驟，其係以一卷積神經網路分類器分別訓練該些標註後參照傷口影像資料，以得複數個參照傷口輪廓特徵值與複數個參照傷口色彩特徵值，再以該卷積神經網路分類器訓練該些參照傷口輪廓特徵值與該些參照傷口色彩特徵值，以得複數個處理後參照傷口影像資料；以及 進行一模型訓練步驟，其係以一深度學習演算分類器訓練該些處理後參照傷口影像資料至收斂，以得該傷口分級評估模型，其中該傷口分級評估模型係用以評估一傷口的一壓力性損傷等級及一傷口床照護指標。
  2. 如請求項1所述之傷口分級評估模型的建立方法，其中該卷積神經網路分類器為U-net卷積神經網路分類器。
  3. 如請求項1所述之傷口分級評估模型的建立方法，其中各該處理後參照傷口影像資料為一傷口遮罩影像(masking image)資料。
  4. 如請求項1所述之傷口分級評估模型的建立方法，其中該深度學習演算分類器為VGG深度學習演算分類器、MobileNet深度學習演算分類器或Resnet深度學習演算分類器。
  5. 一種傷口照護評估系統，包含： 一影像擷取裝置，用以擷取一受試者之一目標傷口影像資料；以及 一處理器，電訊連接該影像擷取裝置，且該處理器包含： 一影像標註模組，用以接收並分析該影像擷取裝置所輸出之該目標傷口影像資料； 一資料前處理模組，訊號連接該影像標註模組；及 如請求項1至請求項4任一項所述之傷口分級評估模型的建立方法所建立而得之傷口分級評估模型，且該傷口分級評估模型訊號連接該資料前處理模組； 其中，該傷口照護評估系統係用以評估該目標傷口影像資料對應之一傷口的一壓力性損傷等級以及一傷口床照護指標。
  6. 一種傷口等級評估方法，包含下述步驟： 提供如請求項5所述之傷口照護評估系統； 取得該受試者之該目標傷口影像資料，其係以該影像擷取裝置拍攝該受試者之該傷口，以得該目標傷口影像資料，並將該目標傷口影像資料傳輸至該處理器； 進行一目標影像標註步驟，其係以該影像標註模組基於語義分割方法對該目標傷口影像資料進行傷口範圍標註，以得一標註後目標傷口影像資料； 進行一目標影像前處理步驟，其係以該資料前處理模組訓練該標註後目標傷口影像資料，以得一目標傷口輪廓特徵值與一目標傷口色彩特徵值，再以該資料前處理模組訓練該目標傷口輪廓特徵值與該目標傷口色彩特徵值，以得一處理後目標傷口影像資料；以及 進行一第一分類步驟，其係利用該傷口分級評估模型分析該處理後目標傷口影像資料，以輸出一壓力性損傷等級評估結果及一傷口床照護指標評估結果。
  7. 如請求項6所述之傷口等級評估方法，其中該資料前處理模組包含一U-net卷積神經網路分類器，且該目標影像前處理步驟係以該U-net卷積神經網路分類器訓練該標註後目標傷口影像資料，以得該處理後目標傷口影像資料。
  8. 如請求項6所述之傷口等級評估方法，其中該處理後目標傷口影像資料為一傷口遮罩影像資料。
  9. 如請求項6所述之傷口等級評估方法，其中該壓力性損傷等級評估結果包含第一期壓瘡、第二期至第四期壓瘡、無法分期的壓瘡與深層組織的壓瘡。
  10. 如請求項9所述之傷口等級評估方法，其中當該受試者之該目標傷口影像資料被分類為該第二期至第四期壓瘡時，該傷口等級評估方法更包含： 進行一第二分類步驟，其係以該傷口分級評估模型對該處理後目標傷口影像資料進行二次評估，以輸出一壓力性損傷等級二次評估結果，其中該壓力性損傷等級二次評估結果包含第二期壓瘡、第三期壓瘡及第四期壓瘡。
TW111116118A 2022-04-28 2022-04-28 傷口分級評估模型的建立方法、傷口照護評估系統及傷口等級評估方法 TWI783902B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
TW111116118A TWI783902B (zh) 2022-04-28 2022-04-28 傷口分級評估模型的建立方法、傷口照護評估系統及傷口等級評估方法
US18/054,545 US20230351596A1 (en) 2022-04-28 2022-11-11 Establishing method of wound grade assessment model, wound care assessment system and wound grade assessment method

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
TW111116118A TWI783902B (zh) 2022-04-28 2022-04-28 傷口分級評估模型的建立方法、傷口照護評估系統及傷口等級評估方法

Publications (2)

Publication Number Publication Date
TWI783902B TWI783902B (zh) 2022-11-11
TW202343474A true TW202343474A (zh) 2023-11-01

Family

ID=85794555

Family Applications (1)

Application Number Title Priority Date Filing Date
TW111116118A TWI783902B (zh) 2022-04-28 2022-04-28 傷口分級評估模型的建立方法、傷口照護評估系統及傷口等級評估方法

Country Status (2)

Country Link
US (1) US20230351596A1 (zh)
TW (1) TWI783902B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117174274B (zh) * 2023-11-03 2024-02-02 四川省医学科学院·四川省人民医院 一种糖尿病足介入手术后患者智能访问系统

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10032287B2 (en) * 2013-10-30 2018-07-24 Worcester Polytechnic Institute System and method for assessing wound
TWI777132B (zh) * 2020-02-14 2022-09-11 臺北醫學大學 用於監測壓瘡之監測系統、裝置及電腦實施方法
TWI755918B (zh) * 2020-10-30 2022-02-21 國家中山科學研究院 傷口評估方法
CN113017570A (zh) * 2021-03-09 2021-06-25 张文韬 一种骨科伤口感染评估方法及系统

Also Published As

Publication number Publication date
TWI783902B (zh) 2022-11-11
US20230351596A1 (en) 2023-11-02

Similar Documents

Publication Publication Date Title
Demir et al. Early detection of skin cancer using deep learning architectures: resnet-101 and inception-v3
CN111222361B (zh) 一种高血压视网膜血管改变特征数据分析的方法和系统
US11232570B2 (en) System and method for diagnosing severity of gastritis
US11024031B1 (en) System and method for diagnosing severity of gastric cancer
CN107610779A (zh) 疾病评价及患病风险评估方法及装置
CN107049263A (zh) 基于图像处理的白癜风病情诊断与疗效评估方法与系统
WO2020224282A1 (zh) 一种婴幼儿粪便采样图像分类处理系统及方法
CN111785363A (zh) 一种基于ai引导的慢性病辅助诊断系统
US20240005501A1 (en) Automated assessment of wound tissue
CN110931134A (zh) 一种基于大数据挖掘模型预测住院压力性损伤愈合的方法
CN109255354A (zh) 面向医用ct的计算机图像处理方法和装置
TWI783902B (zh) 傷口分級評估模型的建立方法、傷口照護評估系統及傷口等級評估方法
CN114627067A (zh) 一种基于图像处理的伤口面积测量及辅助诊疗方法
Mataczyński et al. End-to-end automatic morphological classification of intracranial pressure pulse waveforms using deep learning
Javia et al. Machine learning algorithms for classification of microcirculation images from septic and non-septic patients
Badnjević et al. Diagnostic of asthma using fuzzy rules implemented in accordance with international guidelines and physicians experience
Yilmaz et al. Classification of pressure ulcer images with logistic regression
CN113362944A (zh) 一种基于机器学习的功能性消化不良和针刺疗效的预测
CN113569985B (zh) 一种烙铁头蛇或竹叶青蛇咬伤的智能识别系统
CN114938952A (zh) 基于先验因果模型的血红蛋白浓度预测方法
CN113077894A (zh) 基于图卷积神经网络的皮肤诊断系统、方法、设备及介质
CN112992364A (zh) 基于认知的青少年及成人通用的首发精神分裂症诊断模型、构建方法和诊断系统
Melo et al. Construction, validation and reliability of an instrument for evaluation and evolution of chronic wounds
Wang et al. Core characteristics of sublingual veins analysis and its relationship with hypertension
Rozlan et al. A proposed diabetic retinopathy classification algorithm with statistical inference of exudates detection